Les Inscriptions à la Bibliothèque sont ouvertes en
ligne via le site: https://biblio.enp.edu.dz
Les Réinscriptions se font à :
• La Bibliothèque Annexe pour les étudiants en
2ème Année CPST
• La Bibliothèque Centrale pour les étudiants en Spécialités
A partir de cette page vous pouvez :
| Retourner au premier écran avec les recherches... |
Détail de l'auteur
Auteur Jain, S. K.
Documents disponibles écrits par cet auteur
Affiner la rechercheAnalysis of Soil Water Retention Data Using Artificial Neural Networks / Singh, Vijay P. in Journal of hydrologic engineering, Vol. 9, N° 5 (Septembre /Octobre 2004)
in Journal of hydrologic engineering > Vol. 9, N° 5 (Septembre /Octobre 2004) . - 415-420 p.
Titre : Analysis of Soil Water Retention Data Using Artificial Neural Networks Titre original : Analyse des Données de Conservation de l'Eau de Sol en Utilisant les Réseaux Neurologiques Artificiels Type de document : texte imprimé Auteurs : Singh, Vijay P., Auteur ; Jain, S. K., Auteur ; Van Genuchten, M. Th. Article en page(s) : 415-420 p. Note générale : Hydrologie Langues : Anglais (eng) Mots-clés : Neural networks Soil water Soil water storage Hysteresis Soil suction Réseaux neurologiques Eau de sol stockage de l'eau Hystérésis Aspiration de sol Index. décimale : 551.4 Résumé : Many studies of water flow and solute transport in the vadose zone require estimates of the unsaturated soil hydraulic properties, including the soil water retention curve (WRC) describing the relationship between soil suction and water content. An artificial neural network (ANN) approach was developed to describe the WRC using observed data from several soils. The ANN approach was found to produce equally or more accurate descriptions of the retention data as compared to several analytical retention functions popularly used inthe vadoze zone hydrology literature. Given sufficient input data, the ANN approach was also found to closely describe the hysteretic behavior of a soil, including observed scanning wetting and drying curves.
Beaucoup d'études d'écoulement de l'eau et de transport de corps dissous dans la zone de vadose exigent des évaluations des propriétés hydrauliques de sol insaturé, y compris la courbe de conservation de l'eau de sol (WRC) décrivant le rapport entre l'aspiration de sol et la teneur en eau. Une approche artificielle de réseau neurologique (ANN) a été développée pour décrire le WRC en utilisant des données observées de plusieurs sols. L'approche d'ANN s'est avérée pour produire également ou des descriptions plus précises des données de conservation par rapport à plusieurs fonctions analytiques de conservation ont populairement employé la littérature d'hydrologie de zone de vadoze d'inthe. Des données d'entrée suffisantes données, l'approche d'ANN se sont également avérées pour décrire étroitement le comportement par hystérésis d'un sol, y compris le mouillage de balayage observé et les courbes de séchage.En ligne : cesing@1su.edu [article] Analysis of Soil Water Retention Data Using Artificial Neural Networks = Analyse des Données de Conservation de l'Eau de Sol en Utilisant les Réseaux Neurologiques Artificiels [texte imprimé] / Singh, Vijay P., Auteur ; Jain, S. K., Auteur ; Van Genuchten, M. Th. . - 415-420 p.
Hydrologie
Langues : Anglais (eng)
in Journal of hydrologic engineering > Vol. 9, N° 5 (Septembre /Octobre 2004) . - 415-420 p.
Mots-clés : Neural networks Soil water Soil water storage Hysteresis Soil suction Réseaux neurologiques Eau de sol stockage de l'eau Hystérésis Aspiration de sol Index. décimale : 551.4 Résumé : Many studies of water flow and solute transport in the vadose zone require estimates of the unsaturated soil hydraulic properties, including the soil water retention curve (WRC) describing the relationship between soil suction and water content. An artificial neural network (ANN) approach was developed to describe the WRC using observed data from several soils. The ANN approach was found to produce equally or more accurate descriptions of the retention data as compared to several analytical retention functions popularly used inthe vadoze zone hydrology literature. Given sufficient input data, the ANN approach was also found to closely describe the hysteretic behavior of a soil, including observed scanning wetting and drying curves.
Beaucoup d'études d'écoulement de l'eau et de transport de corps dissous dans la zone de vadose exigent des évaluations des propriétés hydrauliques de sol insaturé, y compris la courbe de conservation de l'eau de sol (WRC) décrivant le rapport entre l'aspiration de sol et la teneur en eau. Une approche artificielle de réseau neurologique (ANN) a été développée pour décrire le WRC en utilisant des données observées de plusieurs sols. L'approche d'ANN s'est avérée pour produire également ou des descriptions plus précises des données de conservation par rapport à plusieurs fonctions analytiques de conservation ont populairement employé la littérature d'hydrologie de zone de vadoze d'inthe. Des données d'entrée suffisantes données, l'approche d'ANN se sont également avérées pour décrire étroitement le comportement par hystérésis d'un sol, y compris le mouillage de balayage observé et les courbes de séchage.En ligne : cesing@1su.edu
in Journal of hydrologic engineering > Vol. 8, N° 3 (Mai/Juin 2003) . - 161-164 p.
Titre : Radial Basis Function Neural Network for Modeling Rating Curves Titre original : Réseau Neurologique de Fonction Radiale de Base pour Modeler des Courbes d'Estimation Type de document : texte imprimé Auteurs : Sudheer, K. P., Auteur ; Jain, S. K., Auteur Article en page(s) : 161-164 p. Note générale : Hydrologie Langues : Anglais (eng) Mots-clés : Neural networks Rating Models Water discharge Gaging stations Réseaux neurologiques Estimation Modèles Décharge de l'eau Stations mesurantes Index. décimale : 551.4 Résumé : The Establishment of a rating curve is an important problem in hydrology. Generally, a regression approach is applied to establish the relationship between stage and discharge. However, this approach fails in the case where hysteries is present in the data. The Aim of the study is to investidate the potential of employing radial basis function(RBF) type neural networks for modeling stage discharge relationships at gauging stations and compare different types of networks. The Results are promising and suggest that the neural network approach is highly viable. A comparison of the RBF models with backpropagation type neural networks reveals that the former is superior in performance for rating curves exhibiting hysteresis.
L'établissement d'une courbe d'estimation est un problème important en hydrologie. Généralement, une approche de régression est appliquée pour établir le rapport entre l'étape et la décharge. Cependant, cette approche échoue dans le cas où les hysteries est présent dans les données. Le but de l'étude est à l'investidate le potentiel d'utiliser le type radial de function(RBF) de base réseaux neurologiques pour modeler des rapports de décharge d'étape aux stations mesurantes et compare différents types de réseaux. Les résultats sont prometteurs et suggèrent que l'approche de réseau neurologique soit fortement viable. Une comparaison des modèles de RBF avec le type réseaux neurologiques de backpropagation indique que l'ancien est supérieur en exécution pour des courbes d'estimation montrant l'hystérésis.En ligne : skjain@lsu.edu [article] Radial Basis Function Neural Network for Modeling Rating Curves = Réseau Neurologique de Fonction Radiale de Base pour Modeler des Courbes d'Estimation [texte imprimé] / Sudheer, K. P., Auteur ; Jain, S. K., Auteur . - 161-164 p.
Hydrologie
Langues : Anglais (eng)
in Journal of hydrologic engineering > Vol. 8, N° 3 (Mai/Juin 2003) . - 161-164 p.
Mots-clés : Neural networks Rating Models Water discharge Gaging stations Réseaux neurologiques Estimation Modèles Décharge de l'eau Stations mesurantes Index. décimale : 551.4 Résumé : The Establishment of a rating curve is an important problem in hydrology. Generally, a regression approach is applied to establish the relationship between stage and discharge. However, this approach fails in the case where hysteries is present in the data. The Aim of the study is to investidate the potential of employing radial basis function(RBF) type neural networks for modeling stage discharge relationships at gauging stations and compare different types of networks. The Results are promising and suggest that the neural network approach is highly viable. A comparison of the RBF models with backpropagation type neural networks reveals that the former is superior in performance for rating curves exhibiting hysteresis.
L'établissement d'une courbe d'estimation est un problème important en hydrologie. Généralement, une approche de régression est appliquée pour établir le rapport entre l'étape et la décharge. Cependant, cette approche échoue dans le cas où les hysteries est présent dans les données. Le but de l'étude est à l'investidate le potentiel d'utiliser le type radial de function(RBF) de base réseaux neurologiques pour modeler des rapports de décharge d'étape aux stations mesurantes et compare différents types de réseaux. Les résultats sont prometteurs et suggèrent que l'approche de réseau neurologique soit fortement viable. Une comparaison des modèles de RBF avec le type réseaux neurologiques de backpropagation indique que l'ancien est supérieur en exécution pour des courbes d'estimation montrant l'hystérésis.En ligne : skjain@lsu.edu
